不走尋常路：LTM vs LLM

Fundamental在2月5日正式從隱形模式亮相，攜帶2.55億美元融資和14億美元的投後估值。但真正引人注目的不是融資規模，而是其技術路線的根本性差異。

公司推出的核心產品Nexus被稱為「大型表格模型」（Large Tabular Model，簡稱LTM），這是一個專門為處理結構化數據而設計的基礎模型。與專注於理解和生成自然語言的LLM不同，LTM的設計目標是從企業每天產生的海量結構化數據——電子表格、數據庫、交易記錄、感測器數據——中提取洞察。

LTM與LLM的關鍵差異

  • 數據類型：LTM專注於結構化表格數據，LLM處理自然語言文本
  • 核心任務：LTM擅長預測、分類和異常檢測；LLM擅長理解和生成語言
  • 企業價值：企業80%以上的數據是結構化數據，這正是LLM的盲點
  • 架構設計：Nexus採用多種突破性設計，從根本上不同於當代AI的主流方法

為何企業需要LTM

這個問題其實很直觀：企業擁有的數據大部分不是文字，而是數字、表格和結構化記錄。銀行的交易記錄、製造商的生產數據、零售商的庫存信息——這些構成了企業決策的基礎，但傳統的LLM在處理這類數據時表現平平。

Fundamental的創始團隊認為，AI行業過度集中在語言模型上，忽略了一個更大的市場機會。Nexus的目標是成為結構化數據領域的「GPT時刻」——一個通用的基礎模型，能夠在接受少量微調後，立即應用於幾乎任何表格數據分析任務。

技術架構的多項突破

TechCrunch的報導指出，Nexus在多個方面採用了與當代AI主流實踐截然不同的方法。雖然具體的技術細節尚未完全公開，但可以確定的是：

  • 原生表格理解：模型從架構層面就是為表格數據設計的，而非將表格數據轉換為文本後再處理
  • 跨域遷移學習：在一個領域（如金融）訓練的模型，可以快速適應另一個領域（如醫療）的表格數據
  • 缺失值處理：現實世界的數據往往不完整，Nexus能夠原生處理缺失和噪聲數據
  • 可解釋性：企業客戶需要理解AI的決策過程，LTM在這方面比黑箱式的深度學習模型更有優勢

2.55億美元融資的信心投票

Fundamental的融資規模——2.55億美元的種子/A輪融資，14億美元的投後估值——在AI初創企業中也屬於頂級水平。這反映了投資者對LTM這一新範式的強烈看好。

值得注意的是，這筆融資發生在2026年AI投資格局正在發生微妙變化的背景下。風險投資者開始更加關注「基本面」——收入增長、效率和真正的AI優勢，而非僅僅是AI的標籤。Fundamental獲得如此大規模的融資，說明投資者認為LTM確實解決了一個LLM無法有效解決的市場需求。

對AI行業格局的影響

Fundamental的出現提醒我們，AI的未來不僅僅是語言模型。隨着企業AI應用的深化，不同類型的數據需要不同類型的AI模型。LTM的出現可能開啟AI領域的「模型多樣化」時代：

  • 語言和對話任務使用LLM（如GPT、Claude）
  • 結構化數據分析使用LTM（如Nexus）
  • 物理世界交互使用世界模型（如Google Genie、World Labs的Marble）
  • 機器人控制使用視覺語言動作模型（如NVIDIA Isaac GR00T）

2026年的AI不再是一場「誰的語言模型更大」的競賽，而是正在演化為一個多模型、多範式的生態系統。Fundamental的大型表格模型，正是這一演化過程中的一個重要里程碑。